چگونه در دوره هوش مصنوعی انحصار را به چالش بکشیم

به گزارش Crunchbase News، در یادداشتی که R K Anand، هم‌بنیان‌گذار و مدیر ارشد محصول Tensordyne، نوشته است، استارتاپ‌های تراشه هوش مصنوعی می‌توانند با ساخت سخت‌افزار بسیار بهتر برای نیازهای نوظهور استنتاج، غول بخش را به چالش بکشند. او این وضعیت را با چالش Juniper در برابر Cisco در دوره رشد سریع اینترنت مقایسه می‌کند. برای جذب مشتری، چالش‌گران باید مزیت خود را ثابت کنند، جابه‌جایی را آسان سازند و با تیم‌های کوچک و چابک نیازهایی را پیش‌بینی کنند که شرکت‌های بزرگ هنوز به آن‌ها نپرداخته‌اند.

جزئیات چالش انحصار تراشه هوش مصنوعی

نویسنده می‌نویسد اگر در اواخر دهه ۱۹۹۰ در سیلیکون‌ولی بودید، رونق امروز هوش مصنوعی آشنا به نظر می‌رسد. در سال‌های ۱۹۹۸ و ۱۹۹۹ ترافیک اینترنت تقریباً هر شش تا نه ماه دو برابر می‌شد. او می‌گوید امروز چهار شرکت بزرگ ابری آمریکا بیش از ۷۰۰ میلیارد دلار هزینه سرمایه‌ای در نظر دارند و هزینه تجمعی زیرساخت هوش مصنوعی تا سال ۲۰۳۰ بین ۳ تریلیون تا ۴ تریلیون دلار پیش‌بینی می‌شود. Nvidia با تحویل DGX-1 به OpenAI در سال ۲۰۱۶ نقطه آغاز تراشه‌های هوش مصنوعی را رقم زد و اکنون نامی شناخته‌شده در اکوسیستم است. بازار بزرگ و انحصارگونه، پرسش اصلی را مطرح می‌کند که رقابت و نوآوری از کجا می‌آید.

نویسنده توضیح می‌دهد که مقیاس سرعت را کاهش می‌دهد و در برابر شرکتی مانند Nvidia، حل این مسئله حداقل شرط است. نسل مدل‌ها در هفته‌ها تغییر می‌کند، نه سال‌ها، و سخت‌افزار زیرین باید برای خدمت به آن‌ها تغییر کند. او می‌گوید طراحی از اصول اولیه ارزش واقعی دارد. درس اصلی این است که چالش‌گران باید برای بازاری که خواهد آمد بهینه‌سازی کنند، نه بازاری که شرکت بزرگ از قبل به خوبی خدمت می‌کند.

پیشینه و بافتار

Cisco در سال ۱۹۸۴ تأسیس شد و بیشتر دهه ۱۹۹۰ بر مسیریابی اینترنت تسلط داشت و در مارس ۲۰۰۰ با ارزش بازار بالا، بزرگ‌ترین شرکت جهان بود. سپس Juniper Networks، استارتاپی که نویسنده در آن مهندس بنیان‌گذار بود، نخستین مسیریاب هسته خود را در سال ۱۹۹۸ عرضه کرد. Juniper از یک شرکت ناشناخته به ۱۷ درصد بازار مسیریاب‌های هسته در پایان ۱۹۹۹ و سپس ۳۸ درصد در اوایل ۲۰۰۱ رسید. نویسنده می‌گوید چالش‌گران امروز می‌توانند از این تاریخ راهنمایی بگیرند.

نخستین درس این است که نسخه ارزان‌تر محصول شرکت بزرگ را نسازید، بلکه محصول بسیار بهتری بسازید. در Juniper شرط این بود که اینترنت در حال رشد به توان عملیاتی به مراتب بالاتری نیاز دارد. آن‌ها با رویکرد معماری کاملاً جدید و فلسفه طراحی متمرکز بر عملکرد و قابلیت اطمینان، نه فروش یک مسیریاب بهتر، بلکه تعریف دوباره آنچه یک مسیریاب هسته باید باشد را هدف قرار دادند. رونق استنتاج هوش مصنوعی امروز نسخه‌ای از همان فشار بر توان عملیاتی است. توجه افراطی اولیه به آموزش مدل‌ها در حال کمرنگ شدن است و صنعت به استفاده از آن‌ها، یعنی استنتاج، روی می‌آورد. استنتاج جایی است که وعده بهره‌وری هوش مصنوعی محقق می‌شود. Google اخیراً گزارش داده است که اکنون بیش از ۳.۲ کوادریلیون توکن در ماه پردازش می‌کند، در حالی که یک سال قبل ۴۸۰ تریلیون توکن بود. خدمت‌رسانی توکن در مقیاس بزرگ با آموزش مدل متفاوت است و محدودیت‌های متفاوتی در حافظه، توان و هزینه دارد.

چه معنایی دارد

برای بنیان‌گذاران، پیام این یادداشت این است که انحصار در فناوری‌های مرزی تا زمانی که کار تغییر نکند غیرقابل عبور به نظر می‌رسد. هوش مصنوعی به سرعت در حال تغییر است و این تغییر برای چالش‌گران فرصت ایجاد می‌کند. چالش‌گران در ابتدا اعتبار شرکت بزرگ را ندارند، بنابراین باید اعتماد را با شواهد جایگزین کنند. هر مزیت فناورانه‌ای که بتوانید نشان دهید و اعتبارسنجی کنید، گفت‌وگوی بعدی را آسان‌تر می‌کند. همچنین باید جابه‌جایی را تا حد ممکن آسان کنید، زیرا اینرسی یکی از بزرگ‌ترین نقاط قوت شرکت بزرگ است. مگر اینکه مزایای اقتصادی و عملیاتی، مقیاس و عملکرد بهتر وجود داشته باشد، ادغام سیستم‌های جدید ارزش کار جابه‌جایی را نخواهد داشت.